GKR-Spike：融合高斯核密度估计与混合SNN-ANN架构的Wi-Fi CSI低功耗跨环境跌倒检测系统

《Electronics》：GKR-Spike: A Cross-Attention Enhanced Hybrid SNN via Gaussian Kernel Density Estimation and Key-Residual Frames for AIoT

　　无设备跌倒检测利用Wi-Fi信道状态信息（CSI）在普适健康监测领域前景广阔，但受限于环境依赖性和高昂的计算成本。尽管深度学习方法能够自动提取特征，但计算开销较大的三维卷积神经网络（CNN）限制了其在资源受限的边缘物联网设备上的部署。为在系统鲁棒性与计算效率之间取得平衡，我们提出了GKR-Spike，一个端到端的跨环境跌倒检测系统。GKR-Spike利用高斯核密度估计（GKDE）将一维CSI幅度时间序列转换为统计概率密度热力图。随后，GKDE编码的分布输入被分解为空间关键帧与时间残差帧，从而将片段级空间上下文与运动相关动态分离。基于这些互补输入，GKR-Spike采用了一种低功耗的混合SNN-ANN架构，围绕两个脉冲ResNet-18特征流构建。稀疏的脉冲驱动突触计算可以用条件累加替代大量密集的乘累加（MAC）运算，从而有望降低运算能耗。此外，我们引入了多尺度交叉注意力机制，以实现双脉冲流之间的有效特征融合。实验评估表明，无需目标域模型重新训练，GKR-Spike在实验室环境下通过未标记目标数据的归纳校准达到了92.52%的准确率、92.35%的平衡准确率和92.14%的召回率。在紧凑且家具较多的房间中，其准确率为86.01%，平衡准确率为79.96%，召回率为72.41%，PR-AUC为0.4958，误报率为12.50%。估计的运算能耗为每样本16.49–16.72毫焦；在RTX 4090 D GPU上测得的单样本推理平均延迟为45.36毫秒，总峰值内存占用为160.28 MiB。